Relocatable File Format (.REL)

Como explicitado ao longo do trabalho, o prolema atrelado ao processo de formação de equipes com o foco no aprendizado mútuo ainda é pertinente na adoção desta prática durante o ensino-aprendizagem. Apesar da inviabilidade de exploração de todo o conjunto de combinações possíveis, diversas pesquisas apresentaram que os algoritmos meta-heurísticos tornam possível a busca por configurações de equipes que possuam uma distribuição favorável à heterogeneidade.

Tal qual destacado pela literatura, os resultados deste estudo demonstraram que os métodos comumente empregados para a realização de agrupamentos de alunos no âmbito acadêmico não favorecem, em grande parte dos casos, a heterogeneidade das equipes em turmas universitárias. Os experimentos efetuados constataram que a escolha por afinidade, abordagem usualmente utilizada, trata-se da alternativa de pior desempenho por agrupar indivíduos de perfis semelhantes, inviabilizando a troca de conhecimentos em virtude das competências similares. Além disso, embora a abordagem por escolha aleatória possibilite a obtenção de boas soluções, este método não é capaz de maximizar a heterogeneidade nas equipes, ainda que obtenha-se a melhor distribuição possível em uma quantidade razoável de execuções.

Em vista disso, a metodologia proposta neste trabalho buscou contribuir para a forma- ção de equipes heterogêneas em turmas universitárias mediante uma solução algorítmica baseada em AGs. Os resultados obtidos para esta estratégia, assim como o teste estatístico da análise de variância, evidenciaram que o AG proposto torna-se superior às demais abordagens tradicionais, sendo capaz de agrupar os alunos de tal forma que as equipes obtenham a maximização da heterogeneidade entre os indivíduos. Ainda, esses aspectos comprovam que o AG desenvolvido apresenta-se como uma alternativa viável ao problema de formação de equipes heterogêneas em turmas universitárias, favorecendo assim à aprendizagem colaborativa e o aprendizado mútuo entre os alunos.

Por outro lado, outros fatores não contemplados neste trabalho apresentam-se como futuras alternativas para a busca de soluções ainda melhores. A consideração de outros atributos para a realização dos agrupamentos, como dados socioeconômicos e perfil emocional, poderão garantir uma maior heterogeneidade nas equipes. A efetuação de experimentos com o AG para diferentes parâmetros e operadores genéticos irão contribuir para a exploração de soluções possivelmente não verificadas, assim, acarretando em uma distribuição ainda mais heterogênea dos alunos nas equipes.

Integrado de Gestão de Atividades Acadêmicas da UFRN. Em virtude desta plataforma utilizar os métodos por escolha mútua e aleatória para a criação dos agrupamentos, a disponibilização do algoritmo proposto como ferramenta poderá auxiliar significativamente os docentes quanto à formação de equipes heterogêneas nas turmas, beneficiando a aprendizagem dos discentes por meio da alocação de alunos com habilidades e conhecimentos distintos.

REFERÊNCIAS

ALHUNITAH, H.; MENAI, M. E. B. Solving the student grouping problem in e-learning systems using swarm intelligence metaheuristics. Comput. Appl. Eng. Educ., John Wiley & Sons, Inc., New York, NY, USA, v. 24, n. 6, p. 831–842, 2016. ISSN 1061-3773. Disponível em: <https://doi.org/10.1002/cae.21752>.

ANAYA, A. R.; BOTICARIO, J. G. Content-free collaborative learning modeling using data mining. User Modeling and User-Adapted Interaction, v. 21, n. 1, p. 181–216, 2011. ISSN 1573-1391. Disponível em: <https://doi.org/10.1007/s11257-010-9095-z>.

ANTONENKO, P. D.; TOY, S.; NIEDERHAUSER, D. S. Using cluster analysis for data mining in educational technology research. Educational Technology Research and Development, v. 60, n. 3, p. 383–398, 2012. ISSN 1556-6501. Disponível em: <https://doi.org/10.1007/ s11423-012-9235-8>.

AUSIELLO, G.; PROTASI, M.; MARCHETTI-SPACCAMELA, A.; GAMBOSI, G.; CRES- CENZI, P.; KANN, V. Complexity and Approximation: Combinatorial Optimization Pro- blems and Their Approximability Properties. 1st. ed. Secaucus, NJ, USA: Springer-Verlag New York, Inc., 1999. ISBN 3540654313.

BAKER, R.; ISOTANI, S.; CARVALHO, A. Mineração de dados educacionais: Oportunidades para o brasil. Brazilian Journal of Computers in Education, v. 19, n. 02, p. 03, 2011. ISSN 2317-6121. Disponível em: <http://www.br-ie.org/pub/index.php/rbie/article/view/1301>. BANDYOPADHYAY, S.; MAULIK, U. Genetic clustering for automatic evolution of clusters and application to image classification. Pattern Recognition, v. 35, n. 6, p. 1197 – 1208, 2002. ISSN 0031-3203. Disponível em: <http://www.sciencedirect.com/science/article/pii/ S003132030100108X>.

BARBATO, R. G.; CORRÊA, A. K.; SOUZA, M. C. B. M. Aprender em grupo: experiência de estudantes de enfermagem e implicações para a formação profissional. Esc. Anna Nery, v. 14, n. 1, p. 48 – 55, 2010.

BERGOM, I.; WRIGHT, M. C.; BROWN, M. K.; BROOKS, M. Promoting college student development through collaborative learning: A case study of hevruta. About Campus, Wiley Subscription Services, Inc., A Wiley Company, v. 15, n. 6, p. 19–25, 2011. ISSN 1536-0687. Disponível em: <http://dx.doi.org/10.1002/abc.20044>.

BLUM, C.; PUCHINGER, J.; RAIDL, G. R.; ROLI, A. Hybrid metaheuristics in combinatorial optimization: A survey. Applied Soft Computing, Elsevier, v. 11, n. 6, p. 4135–4151, 2011. BLUM, C.; ROLI, A. Metaheuristics in combinatorial optimization: Overview and conceptual comparison. ACM Comput. Surv., ACM, New York, NY, USA, v. 35, n. 3, p. 268–308, set. 2003. ISSN 0360-0300. Disponível em: <http://doi.acm.org/10.1145/937503.937505>.

BODENHOFER, U. Genetic algorithms: theory and applications. [S.l.]: Lecture notes, Fuzzy Logic Laboratorium Linz-Hagenberg, Winter, 2003.

BOUSSAÏD, I.; LEPAGNOT, J.; SIARRY, P. A survey on optimization metaheuristics. Inf. Sci., Elsevier Science Inc., New York, NY, USA, v. 237, p. 82–117, jul. 2013. ISSN 0020-0255. Disponível em: <http://dx.doi.org/10.1016/j.ins.2013.02.041>.

BRANDÃO, M. de F. R.; RAMOS, C. R. dos S.; TRÓCCOLI, B. T. Análise de agrupamento de escolas e núcleos de tecnologia educacional: mineração na base de dados de avaliação do programa nacional de informática na educação. XIV Simpósio Brasileiro de Informática na Educação - NCE - IM/UFRJ 2003, 2003.

CEN, L.; RUTA, D.; POWELL, L.; NG, J. Interaction driven composition of student groups for optimal groupwork learning performance. In: Proceedings of the 2015 IEEE Frontiers in Education Conference (FIE). Washington, DC, USA: IEEE Computer Society, 2015. (FIE ’15), p. 1–6. ISBN 978-1-4799-8454-1. Disponível em: <http://dx.doi.org/10.1109/FIE.2015. 7344266>.

CHEN, L.; YANG, Q. h. A group division method based on collaborative learning elements. In: The 26th Chinese Control and Decision Conference (2014 CCDC). [S.l.: s.n.], 2014. p. 1701–1705. ISSN 1948-9439.

CIPTAYANI, P. I.; DEWI, K. C.; SENTANA, I. W. B. Student grouping using adaptive genetic algorithm. In: 2016 International Electronics Symposium (IES). [s.n.], 2016. p. 375–379. Disponível em: <https://doi.org/10.1109/ELECSYM.2016.7861034>.

COLEY, D. A. An introduction to genetic algorithms for scientists and engineers. [S.l.]: World Scientific Publishing Co Inc, 1999.

COOKE, N. J.; GORMAN, J. C.; MYERS, C. W.; DURAN, J. L. Interactive team cognition. Cognitive Science, Blackwell Publishing Ltd, v. 37, n. 2, p. 255–285, 2013. ISSN 1551-6709. Disponível em: <http://dx.doi.org/10.1111/cogs.12009>.

COOKE, N. J.; SALAS, E.; CANNON-BOWERS, J. A.; STOUT, R. J. Measuring team kno- wledge. Human Factors, v. 42, n. 1, p. 151–173, 2000. PMID: 10917151. Disponível em: <http://dx.doi.org/10.1518/001872000779656561>.

COSTA, J. A. F. Classificação automática e análise de dados por redes neurais auto- organizáveis. Tese (Doutorado) — FEEC, UNICAMP, 1999.

DARWIN, C. R. On the origin of species by means of natural selection or the preservation of favoured races in the struggle for life. 1. ed. London: John Murray, 1859.

DAVIES, D. L.; BOULDIN, D. W. A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1, n. 2, p. 224–227, 1979. ISSN 0162- 8828. Disponível em: <https://doi.org/10.1109/TPAMI.1979.4766909>.

DEKKER, G. W.; PECHENIZKIY, M.; VLEESHOUWERS, J. M. Predicting students drop out: A case study. In: Proceedings of the 2nd International Conference on Educational Data Mining. Cordoba, Spain: [s.n.], 2009. p. 41–50.

DIAS, M. M.; FILHO, L. A. da S.; LINO, A. D. P.; FAVERO, E. L.; RAMOS, E. M. L. S. Aplicação de técnicas de mineração de dados no processo de aprendizagem na educação a distância. XIX Simpósio Brasileiro de Informática na Educação, Fortaleza, CE, p. 105–114, 2008.

EIBEN, A. E.; SMITH, J. E. Introduction to Evolutionary Computing. 1. ed. Springer-Verlag, 2003. ISBN 3540401849. Disponível em: <https://dx.doi.org/10.1007/978-3-662-05094-1>.

FLEURY, M. T. L.; FLEURY, A. Construindo o conceito de competência. Revista de Admi- nistração Contemporânea, Scielo, v. 5, p. 183 – 196, 2001. ISSN 1415-6555. Disponível em: <http://competdx.doi.org/10.1590/S1415-65552001000500010>.

FONSECA, J. S.; MARTINS, G. A. Curso de estatística. 6. ed. São Paulo: Atlas, 1996. FORREST, S.; MITCHELL, M. Adaptive computation: The multidisciplinary legacy of john h. holland. Commun. ACM, ACM, New York, NY, USA, v. 59, n. 8, p. 58–63, jul. 2016. ISSN 0001-0782. Disponível em: <http://doi.acm.org/10.1145/2964342>.

FREI, F. Introdução à análise de agrupamentos: teoria e prática. São Paulo: UNESP, 2006. GAN, G.; MA, C.; WU, J. Data clustering: theory, algorithms, and applications. [S.l.]: SIAM, 2007.

GENDREAU, M.; POTVIN, J.-Y. Metaheuristics in combinatorial optimization. Annals of Operations Research, v. 140, n. 1, p. 189–213, Nov 2005. ISSN 1572-9338. Disponível em: <https://doi.org/10.1007/s10479-005-3971-7>.

GOLDBERG, D. E. Genetic Algorithms in Search, Optimization and Machine Learning. 1. ed. Boston, MA, USA: Addison-Wesley Longman Publishing Co., Inc., 1989. ISBN 0201157675. GREGORY, R. P. Streaming, setting and mixed ability grouping in primary and secondary schools: some research findings. Educational Studies, v. 10, n. 3, p. 209–226, 1984. Disponível em: <http://dx.doi.org/10.1080/0305569840100302>.

HO, T. F.; SHYU, S. J.; LI, C. T. J. Utilizing particle swarm optimizations on student grouping problem. In: 2010 International Conference on Machine Learning and Cybernetics. [s.n.], 2010. v. 4, p. 1899–1904. ISSN 2160-133X. Disponível em: <http://dx.doi.org/10.1109/ICMLC. 2010.5580533>.

HOLLAND, J. H. Adaptation in Natural and Artificial Systems. Ann Arbor, MI: University of Michigan Press, 1975.

HOLLAND, J. H. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence. Cambridge, MA, USA: MIT Press, 1992. ISBN 0262082136.

HROMKOVIC, J. Algorithmics for Hard Problems: Introduction to Combinatorial Op- timization, Randomization, Approximation, and Heuristics. 2. ed. New York, NY, USA: Springer-Verlag New York, Inc., 2004. ISBN 978-3-662-05269-3.

HUBSCHER, R. Assigning students to groups using general and context-specific criteria. IEEE Transactions on Learning Technologies, v. 3, n. 3, p. 178–189, July 2010. ISSN 1939-1382. Disponível em: <http://dx.doi.org/10.1109/TLT.2010.17>.

HUDSON, D. L.; COHEN, M. E. Neural Networks and Artificial Intelligence for Biomedical Engineering. 1st. ed. New York, NY, USA: Wiley-IEEE Press, 1999. ISBN 0780334043. JACOBSON, B. K. L. Genetic Algorithms in Java Basics. Apress, 2015. ISBN 978-1-48420- 329-3, 978-1-4842-0328-6. Disponível em: <http://dx.doi.org/10.1007/978-1-4842-0328-6>. JOHNSON, D. W.; JOHNSON, R. T.; HOLUBEC, E. J. El aprendizaje cooperativo en el aula. Paidós, Buenos Aires, 1999.

JOHNSON, F. P.; JOHNSON, D. W. Joining Together: Group theory and group skills. 11. ed. [S.l.: s.n.], 2013. ISBN 1-292-02263-9,978-1-292-02263-5.

KAMPFF, A. J. C. Mineração de dados educacionais para geração de alertas em ambientes virtuais de aprendizagem como apoio à prática docente. Tese (Doutorado) — UFRGS, 2009. Disponível em: <http://hdl.handle.net/10183/19032>.

KANTARDZIC, M. Data Mining: Concepts, Models, Methods, and Algorithms. 2nd. ed. Hoboken, New Jersey, USA: John Wiley & Sons, 2011. ISBN 0470890452,9780470890455. KARDAN, A. A.; SADEGHI, H. An efficacious dynamic mathematical modelling approach for creation of best collaborative groups. Mathematical and Computer Modelling of Dynamical Systems, v. 22, n. 1, p. 39–53, 2016. Disponível em: <http://dx.doi.org/10.1080/13873954.2015. 1086382>.

KHURI, S.; BÄCK, T.; HEITKÖTTER, J. An evolutionary approach to combinatorial optimi- zation problems. In: Proceedings of the 22Nd Annual ACM Computer Science Conference on Scaling Up : Meeting the Challenge of Complexity in Real-world Computing Applica- tions: Meeting the Challenge of Complexity in Real-world Computing Applications. New York, NY, USA: ACM, 1994. (CSC ’94), p. 66–73. ISBN 0-89791-634-4. Disponível em: <http://doi.acm.org/10.1145/197530.197558>.

KINNEBREW, J.; BISWAS, G. Comparative action sequence analysis with hidden markov models and sequence mining. In: Proceedings of the KDD 2011 workshop: Knowledge discovery in educational data. [s.n.], 2011. p. 59–68. Disponível em: <https://pslcdatashop. web.cmu.edu/KDD2011/papers/G-kddined2011.pdf>.

LANGER, G. M.; COLTON, A. B.; GOFF, L. S. Collaborative analysis of student work: Improving teaching and learning. Alexandria, VA, USA: ASCD, 2003.

LAROSE, D. T. Genetic algorithms. In: . Data Mining Methods and Models. John Wiley & Sons, Inc., 2006. p. 240–264. ISBN 9780471756484. Disponível em: <http://dx.doi.org/10. 1002/0471756482.ch6>.

LAROSE, D. T. Discovering knowledge in data: an introduction to data mining. [S.l.]: John Wiley & Sons, 2014.

LEITE, L.; ESTEVES, E. Trabalho em grupo e aprendizagem baseada na resolução de problemas: Um estudo com futuros professores de física e de química. 2006. Disponível em: <http://hdl. handle.net/1822/9986>.

LIMA, M. R. C. Algoritmos genéticos na formação de grupos para aprendizagem coopera- tiva apoiada por computador. Dissertação (Mestrado) — UFMA, São Luís, 2006. Disponível em: <https://tedebc.ufma.br/jspui/handle/tede/381>.

LIN, Y. S.; CHANG, Y. C.; CHU, C. P. Novel approach to facilitating tradeoff multi-objective grouping optimization. IEEE Transactions on Learning Technologies, v. 9, n. 2, p. 107–119, April 2016. ISSN 1939-1382. Disponível em: <http:/dx.doi.org/10.1109/TLT.2015.2471995>. LIN, Y.-T.; HUANG, Y.-M.; CHENG, S.-C. An automatic group composition system for composing collaborative learning groups using enhanced particle swarm optimization. Com- puters & Education, v. 55, n. 4, p. 1483 – 1493, 2010. ISSN 0360-1315. Disponível em: <http://www.sciencedirect.com/science/article/pii/S0360131510001740>.

LINDEN, R. Algoritmos Genéticos. 3. ed. Rio de Janeiro: Editora Ciência Moderna Ltda., 2012.

LIU, J.; ZHONG, W.; JIAO, L. A multiagent evolutionary algorithm for combinatorial optimiza- tion problems. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), IEEE, v. 40, n. 1, p. 229–240, 2010.

LUGER, G. F. Artificial intelligence: structures and strategies for complex problem solving. 6. ed. Boston, USA: Pearson, 2008.

MACINTYRE, H.; IRESON, J. Within-class ability grouping: Placement of pupils in groups and self-concept. British Educational Research Journal, v. 28, n. 2, p. 249–263, 2002. Disponível em: <http://dx.doi.org/10.1080/01411920120122176>.

MAN, K. F.; TANG, K. S.; KWONG, S. Genetic Algorithms: Concepts and Designs. 1. ed. [S.l.]: Springer-Verlag London, 1999. (Advanced Textbooks in Control and Signal Processing). ISBN 978-1-85233-072-9, 978-1-4471-0577-0.

MICHALEWICZ, Z. Genetic Algorithms + Data Structures = Evolution Programs. 3. ed. New York, USA: Springer, 1996. ISBN 9783540606765, 3540606769.

MIRKIN, B. Clustering for Data Mining: A Data Recovery Approach. 1. ed. Boca Ra- ton, USA: Chapman and Hall/CRC, 2005. (Computer Science and Data Analysis). ISBN 1584885343,9781584885344.

MITCHELL, M. An introduction to genetic algorithms. [S.l.]: MIT press, 1998.

MORENO, J.; OVALLE, D. A.; VICARI, R. M. A genetic algorithm approach for group formation in collaborative learning considering multiple student characteristics. Computers & Education, v. 58, n. 1, p. 560 – 569, 2012. ISSN 0360-1315. Disponível em: <http://www. sciencedirect.com/science/article/pii/S0360131511002284>.

MUTINGI, M.; MBOHWA, C. Multi-criterion team formation using fuzzy grouping genetic algorithm approach. In: . Grouping Genetic Algorithms: Advances and Applications. Cham: Springer International Publishing, 2017. p. 89–105. ISBN 978-3-319-44394-2. Disponível em: <https://doi.org/10.1007/978-3-319-44394-2_5>.

PAPADIMITRIOU, C. H.; STEIGLITZ, K. Combinatorial Optimization: Algorithms and Complexity. Upper Saddle River, NJ, USA: Prentice-Hall, Inc., 1982.

PAREDES, P.; ORTIGOSA, A.; RODRIGUEZ, P. A method for supporting heterogeneous-group formation through heuristics and visualization. Journal of Universal Computer Science, v. 16, n. 19, p. 2882–2901, oct 2010. Disponível em: <http://dx.doi.org/10.3217/jucs-016-19-2882>. PERERA, D.; KAY, J.; KOPRINSKA, I.; YACEF, K.; ZAïANE, O. R. Clustering and sequential pattern mining of online collaborative learning data. IEEE Transactions on Knowledge and Data Engineering, v. 21, n. 6, p. 759–772, June 2009. ISSN 1041-4347. Disponível em: <http: //dx.doi.org/10.1109/TKDE.2008.138>.

PÉREZ, M. M. El trabajo colaborativo en el aula universitaria. 23, Laurus, v. 13, p. 263–278, 2007.

PIMENTEL, E. P.; OMAR, N. Descobrindo conhecimentos em dados de avaliação da aprendiza- gem com técnicas de mineração de dados. In: Anais do Workshop de Informática na Escola. [S.l.: s.n.], 2006. v. 1, n. 1.

PUMA-VILLANUEVA, W. J.; ZUBEN, F. Índices de validação de agrupamentos. Universidade Estadual de Campinas. Unicamp. Faculdade de Engenharia Elétrica e de Computação. FEEC, 2008.

REEVES, J. E. R. C. R. Genetic Algorithms - Principles and Perspectives: A Guide to GA Theory. 1. ed. [S.l.]: Springer, 2002. (Operations Research Computer Science Interfaces Series). ISBN 0-306-48050-6, 1-4020-7240-6, 9781402072406.

ROMERO, C.; VENTURA, S. Data mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, John Wiley & Sons, Inc., v. 3, n. 1, p. 12–27, 2013. ISSN 1942-4795. Disponível em: <http://dx.doi.org/10.1002/widm.1075>.

SALAS, E.; DICKINSON, T. L.; CONVERSE, S. A.; TANNENBAUM, S. I. Toward an understanding of team performance and training. In: W., S. R.; E., S. (Ed.). Teams: Their Training and Performance. Norwood, NJ, USA: Ablex, 1992.

SILVA, A. P. A.; FALCÃO, D. M. Fundamentals of genetic algorithms. Modern heuristic optimization techniques: theory and applications to power systems, Wiley Online Library, p. 25–42, 2008.

SILVA, F. S.; LEAL, T. F. É em grupo ou individual, professor? A prática de trabalho em grupo no Centro de Educação da UFPE sob duas óticas: docente e discente. 2005. Trabalho de Conclusão de Curso, UFPE, Brasil.

SILVA, H. M. Uma estratégia baseada em análise de agrupamento para formação de equi- pes heterogêneas com foco na troca de conhecimentos e no aprendizado mútuo. 2013. Tra- balho de Conclusão de Curso, UFRN/CERES, Caicó, Brasil.

SILVA, H. M.; SILVA, C. A.; GORGÔNIO, F. L. A self–organizing map based strategy for heterogeneous teaming. In: JOHNSSON, M. (Ed.). Applications of Self-Organizing Maps. Rijeka: InTech, 2012. cap. 05. Disponível em: <http://dx.doi.org/10.5772/52776>.

SIVANANDAM, S.; DEEPA, S. Introduction to genetic algorithms. [S.l.]: Springer Science & Business Media, 2007.

SRBA, I.; BIELIKOVA, M. Dynamic group formation as an approach to collaborative learning support. IEEE Transactions on Learning Technologies, v. 8, n. 2, p. 173–186, April 2015. ISSN 1939-1382. Disponível em: <http://dx.doi.org/10.1109/TLT.2014.2373374>.

SRINIVAS, M.; PATNAIK, L. M. Genetic algorithms: a survey. Computer, v. 27, n. 6, p. 17–26, June 1994. ISSN 0018-9162. Disponível em: <http://dx.doi.org/10.1109/2.294849>.

SUKHNANDAN, L.; LEE, B. Streaming, setting and grouping by ability: a review of the literature. Slough: NFER, 1998.

TAN, P.-N. et al. Introduction to data mining. [S.l.]: Pearson Education India, 2006.

TORRES, P. L.; ALCANTARA, P. R.; IRALA, E. A. F. Grupos de consenso: uma proposta de aprendizagem colaborativa para o processo de ensino-aprendizagem. Revista diálogo educacio- nal, Pontifícia Universidade Católica do Paraná, v. 4, n. 13, 2004.

TORRES, P. L.; SIQUEIRA, L. M. M. Educação virtual nas universidades: as contribuições da aprendizagem colaborativa. Revista Historia de la Educación Latinoamericana, v. 14, n. 19, 2013.

TORRES, T. Z.; AMARAL, S. F. do. Aprendizagem colaborativa e web 2.0: proposta de modelo de organização de conteúdos interativos. Educação Temática Digital, Universidade Estadual de Campinas, Faculdade de Educação, v. 12, p. 49, 2011.

TRIOLA, M. F. Introdução à estatística. 9. ed. Rio de Janeiro: LTC, 2005.

URO ˆSEVIC, D. Variable neighborhood search for maximum diverse grouping problem. Yugos- lav Journal of Operations Research, v. 24, n. 1, 2016. Disponível em: <http://yujor.fon.bg.ac. rs/index.php/yujor/article/view/434>.

WEBB, N. M.; BAXTER, G. P.; THOMPSON, L. Teachers’ Grouping Practices in Elemen- tary Science Classrooms. [S.l.]: National Center for Research on Evaluation, Standards, and Student Testing (CRESST), Graduate School of Education & Information Studies, University of California, Los Angeles, 1998.

WITTEN, I. H.; FRANK, E.; HALL, M. A.; PAL, C. J. Data Mining: Practical machine learning tools and techniques. [S.l.]: Morgan Kaufmann, 2016.

YANNIBELLI, V.; AMANDI, A. A deterministic crowding evolutionary algorithm to form learning teams in a collaborative learning context. Expert Systems with Applications, Elsevier, v. 39, n. 10, p. 8584–8592, 2012.

ZABALA, A. A prática educativa: como ensinar. Porto Alegre: Artmed, 1998.

ZHENG, Y.; LIU, Y.; LU, W.; LI, C. A hybrid pso-ga method for composing heterogeneous groups in collaborative learning. In: 2016 11th International Conference on Computer Sci- ence Education (ICCSE). [s.n.], 2016. p. 160–164. Disponível em: <http://dx.doi.org/10.1109/ ICCSE.2016.7581573>.